课程目录
课堂实验室
COURSE / 5 章 · 25 节

非寿险精算 · 可视化学习

每一节都是一个可以动手的实验:调整参数、重复抽样,观察分布与估计如何变化。

从 1.1 开始
01
第 1 章 · 4 节

损失分布与累积损失

从单笔损失的金额分布出发,经过变量变换与索赔次数模型,模拟一年的累积损失。

  1. 1.1损失金额分布观察参数如何改变形状、离散程度与右尾。
  2. 1.2变量变换从一个随机变量出发,构造新的分布。
  3. 1.3索赔次数分布从均值与方差的关系,理解索赔次数模型。
  4. 1.4复合损失生成从一次索赔到一个年度,再到整个损失分布。
02
第 2 章 · 8 节

极值理论

关注分布的尾部:先用尾部指数刻画厚尾,再分别用区块最大值(GEV)与超越阈值(GPD)估计极端损失与重现水平。

  1. 2.1尾部指数以双参数 Pareto(Lomax)为例,在对数—对数坐标中看重尾如何变成一条直线。
  2. 2.2区块最大值建模3 节
    1. 2.2.1区块最大值反复抽取最大值,看它们如何收敛到 GEV 分布。
    2. 2.2.2广义极值分布(GEV)位置、尺度与形状参数如何决定分布的类型、VaR 与 TVaR。
    3. 2.2.3重现期与重现水平“百年一遇”多久发生一次?对应的重现水平 zTz_T 又有多大?
  3. 2.3超越阈值建模4 节
    1. 2.3.1广义帕累托分布(GPD)阈值越高,超额损失越接近 GPD。
    2. 2.3.2阈值选择与参数估计用平均超额图和参数稳定图选择阈值,再用极大似然把超额拟合为 GPD。
    3. 2.3.3尾部风险与重现期用拟合的 GPD 外推 VaR、TVaR 与重现水平,并与区块最大值法比较。
    4. 2.3.4Hill 估计用最大的 k 个观测估计尾部指数,并权衡偏差与方差。
03
第 3 章 · 6 节

累积损失模型

集体风险模型把一年的总损失写成随机个数的单笔损失之和;分别用卷积法、Panjer 递推法和随机模拟计算它的分布。

  1. 3.1集体风险模型先为次数 NN 和单笔金额 XX 建模,再得到总额 SS 的均值、方差与分布。
  2. 3.2连续分布离散化把一段区间的概率搬到一个格点,比较三种离散化方法与步长的影响。
  3. 3.3卷积法把 nn 笔索赔的卷积按次数概率加权,逐点算出 SS 的分布。
  4. 3.4Panjer 递推法2 节
    1. 3.4.1(a, b, 0) 类与 (a, b, 1) 类次数概率满足 pk=(a+b/k)pk−1p_k=(a+b/k)p_{k-1}:从 p0p_0 出发逐项算出整个分布。
    2. 3.4.2Panjer 递推把同样的逐项递推搬到累积损失 SS 上:每个新概率由前面几个按权重拼成。
  5. 3.5随机模拟法逐年抽取次数和设限额的对数正态赔款,用大量模拟年度近似 S 的分布。
04
第 4 章 · 4 节

截断与删失

免赔额与赔偿限额如何改变赔款变量:超额损失、左删失与右删失的期望,都是生存函数下方的一块面积。

  1. 4.1超额损失与平均超额损失函数低于免赔额 dd 的损失观察不到,其余减去 dd:YP=X−d∣X>dY^P=X-d\mid X>d 的均值就是 e(d)e(d)。
  2. 4.2左删失:每次损失与每次赔付同一个免赔额,YL=(X−d)+Y^L=(X-d)_+ 把没有赔付的损失记为 0,YPY^P 则把它们剔除。
  3. 4.3右删失:有限损失与有限期望赔偿限额 uu 把超过 uu 的损失记为 uu:E(X∧u)=∫0uS(x) dxE(X\wedge u)=\int_0^u S(x)\,dx。
  4. 4.4综合例题:免赔额、限额、共保与通胀四种修正叠在一起:E(YL)=α(1+r)[E(X∧u1+r)−E(X∧d1+r)]E(Y^L)=\alpha(1+r)\big[E\big(X\wedge\tfrac{u}{1+r}\big)-E\big(X\wedge\tfrac{d}{1+r}\big)\big]。
05
第 5 章 · 3 节

参数估计

极大似然估计的基本原理:先求让样本最可能出现的参数,再用 Hessian 矩阵估计它的方差,最后用 Delta 方法把方差传给参数的函数。

  1. 5.1极大似然估计:点估计调 μ\mu 与 σ\sigma,让对数似然 ℓ(μ,σ)=∑ln⁡f(xj)\ell(\mu,\sigma)=\sum\ln f(x_j) 尽可能大。
  2. 5.2Hessian 矩阵与方差估计对数似然在峰顶越弯,估计越准:Var^(θ^)=[−H(θ^)]−1\widehat{\mathrm{Var}}(\hat\theta)=[-H(\hat\theta)]^{-1}。
  3. 5.3Delta 方法参数的函数 g(θ^)g(\hat\theta) 的方差:∇g⊤ Σ ∇g\nabla g^{\top}\,\Sigma\,\nabla g。